Create Your Free Account
or
By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.Training 2 or more people?Try DataCamp For Business
Loved by learners at thousands of companies
Descrição do Curso
Desenvolva suas habilidades de aprendizado de máquina com o scikit-learn e descubra como usar essa popular biblioteca Python para treinar modelos usando dados rotulados. Neste curso, você aprenderá a fazer previsões poderosas, como, por exemplo, se um cliente vai deixar sua empresa, se uma pessoa tem diabetes e até mesmo como classificar o gênero de uma música. Usando conjuntos de dados do mundo real, você descobrirá como criar modelos preditivos, ajustar seus parâmetros e determinar o desempenho deles com dados não vistos.
For Business
Training 2 or more people?
Get your team access to the full DataCamp library, with centralized reporting, assignments, projects and moreNas seguintes faixas
Fundamentos de aprendizado de máquina com Python
Ir para a trilhaCientista de aprendizado de máquina com Python
Ir para a trilha- 1
Classificação
LivreNeste capítulo, você será apresentado aos problemas de classificação e aprenderá a resolvê-los usando técnicas de aprendizado supervisionado. Você aprenderá a dividir os dados em conjuntos de treinamento e teste, ajustar um modelo, fazer previsões e avaliar a precisão. Você descobrirá a relação entre a complexidade e o desempenho do modelo, aplicando o que aprendeu a um conjunto de dados de rotatividade, no qual classificará o status de rotatividade dos clientes de uma empresa de telecomunicações.
Aprendizado de máquina com o scikit-learn50 xpClassificação binária50 xpO fluxo de trabalho de aprendizado supervisionado100 xpO desafio da classificação50 xpk-Nearest Neighbors: Em forma100 xpk-Nearest Neighbors: Prever100 xpMedição do desempenho do modelo50 xpDivisão de treinamento/teste + precisão do cálculo100 xpSobreajuste e subajuste100 xpVisualização da complexidade do modelo100 xp - 2
Regressão
Neste capítulo, você conhecerá a regressão e criará modelos para prever valores de vendas usando um conjunto de dados sobre gastos com publicidade. Você aprenderá sobre a mecânica da regressão linear e as métricas de desempenho comuns, como R-quadrado e raiz do erro quadrático médio. Você realizará a validação cruzada k-fold e aplicará a regularização aos modelos de regressão para reduzir o risco de ajuste excessivo.
Introdução à regressão50 xpCriação de recursos100 xpCriação de um modelo de regressão linear100 xpVisualização de um modelo de regressão linear100 xpNoções básicas de regressão linear50 xpAjuste e previsão para regressão100 xpDesempenho da regressão100 xpValidação cruzada50 xpValidação cruzada para R-quadrado100 xpAnálise de métricas de validação cruzada100 xpRegressão regularizada50 xpRegressão regularizada: Cumeeira100 xpRegressão Lasso para importância de recursos100 xp - 3
Ajuste fino de seu modelo
Depois de treinar os modelos, agora você aprenderá a avaliá-los. Neste capítulo, você será apresentado a várias métricas e a uma técnica de visualização para analisar o desempenho do modelo de classificação usando o scikit-learn. Você também aprenderá a otimizar modelos de classificação e regressão por meio do uso do ajuste de hiperparâmetros.
Qual é a qualidade de seu modelo?50 xpDecidir sobre uma métrica primária50 xpAvaliação de um classificador de previsão de diabetes100 xpRegressão logística e curva ROC50 xpCriação de um modelo de regressão logística100 xpA curva ROC100 xpROC AUC100 xpAjuste de hiperparâmetros50 xpAjuste de hiperparâmetros com o GridSearchCV100 xpAjuste de hiperparâmetros com RandomizedSearchCV100 xp - 4
Pré-processamento e pipelines
Saiba como imputar valores ausentes, converter dados categóricos em valores numéricos, dimensionar dados, avaliar vários modelos de aprendizado supervisionado simultaneamente e criar pipelines para otimizar seu fluxo de trabalho!
Pré-processamento de dados50 xpCriação de variáveis fictícias100 xpRegressão com recursos categóricos100 xpTratamento de dados ausentes50 xpEliminação de dados ausentes100 xpPipeline para previsão de gênero de música: I100 xpPipeline para previsão de gênero de música: II100 xpCentralização e dimensionamento50 xpCentralização e dimensionamento para regressão100 xpCentralização e dimensionamento para classificação100 xpAvaliação de vários modelos50 xpVisualização do desempenho do modelo de regressão100 xpPrevisão no conjunto de teste100 xpVisualização do desempenho do modelo de classificação100 xpPipeline para prever a popularidade de músicas100 xpParabéns50 xp
For Business
Training 2 or more people?
Get your team access to the full DataCamp library, with centralized reporting, assignments, projects and moreNas seguintes faixas
Fundamentos de aprendizado de máquina com Python
Ir para a trilhaCientista de aprendizado de máquina com Python
Ir para a trilhaEm outras faixas
Aprendizado de máquina supervisionado em PythonCollaborators
Prerequisites
Introduction to Statistics in PythonGeorge Boorman
Veja MaisCurriculum Manager, DataCamp
What do other learners have to say?
Join over 13 million learners and start Aprendizagem supervisionada com o scikit-learn today!
Create Your Free Account
or
By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.